特征加权

摘要： 电动汽车的大规模接入给配电网的规划和运行带来新的挑战,准确评估电动汽车接入对配电网运行特性的影响,对配电网的规划运行具有重要意义。提出一种基于分段线性概率潮流和特征加权与熵权法配电网运行特性的综合评估方法,从电压合格指标、电压偏差指标和线路重载指标三个方面评估配电网的运行特性。其中,概率潮流用于全面准确地反映电动汽车充电负荷随机性对配电网运行特性的影响;特征加权法用于提高评估指标对运行问题的表征能力;熵权法则可以有效降低人为因素的影响。围绕华东某地区配电网实测数据开展仿真分析,结果表明该方法可以有效避免传统评估方法问题数据被“淹没”的问题,更加全面地反映电动汽车接入对配电网运行特性的影响。

摘要： 针对当前基于特征加权的模糊支持向量机(FSVM)只考虑特征权重对隶属度函数的影响,而没有考虑在样本训练过程中将特征权重应用到核函数计算中的缺陷,提出了同时考虑特征加权对隶属度函数和核函数计算的影响的模糊支持向量机算法——双重特征加权模糊支持向量机(DFW-FSVM)。首先,利用信息增益(IG)计算出每个特征的权重;然后,在原始空间中基于特征权重计算出样本到类中心的加权欧氏距离,进而应用该加权欧氏距离构造隶属度函数,并在样本训练过程中将特征权重应用到核函数的计算中;最后,根据加权的隶属度函数和核函数构造出DFW-FSVM算法。该方法避免了在计算过程中被弱相关或不相关的特征所支配。在8个UCI数据集上进行对比实验,结果显示DFW-FSVM算法的准确率和F1值较5个对比算法(SVM、FSVM、特征加权SVM(FWSVM)、特征加权FSVM(FWFSVM)、基于中心核对齐的FSVM(CKA-FSVM))中的最好结果分别提升了2.33和5.07个百分点,具有较好的分类性能。

摘要： 利用信息熵或模糊熵确定子空间聚类中每个簇的不同特征,较好地解决了高维数据的子空间聚类.为了进一步提高聚类算法的性能,将权向量的负结构α-熵引入到高斯混合模型中,获得了结构α-熵的加权高斯混合的子空间聚类模型,提出了结构α-熵的加权高斯混合模型的子空间聚类算法SEWMM(Structuralα-Entropy Weighting Mixture Model),该算法不仅可以发现高维数据空间中位于不同子空间的簇,而且能够获得子空间中具有不同形状体积的簇.同时,进一步分析了算法的收敛性与时间复杂性.通过选取UCI(University of California,Irvine)标准数据集及图像数据集,对提出的算法SEWMM进行了实验,并与一些典型的聚类算法进行了比较,表明了提出的算法在总体性能上具有一定的提升.

摘要： 电力用户的负荷分类为电力系统和电力部门的系统规划、负荷预测、分时电价等研究提供了基本的指导工作。利用基于变分模态分解(variational mode decomposition,VMD)和模糊C均值聚类算法(fuzzy C-means,FCM)实现电力负荷的分类研究,针对FCM中欧氏距离的特征权重唯一的问题,利用基于特征加权的模糊聚类方法,提出基于特征加权的VMD-FCM聚类算法。根据电网实测负荷数据,VMD算法可对数据的固有模态有效分解,结合FCM算法引入的权重系数,显著提高了算法收敛速度和聚类准确度。对聚类结果分析表明:所提VMD-FCM聚类方法能够有效区分不同负荷类型,具有实际应用价值,从而为电力系统的设计规划提供指导作用。

摘要： 针对实际运行环境下的工业水泵具有工况数据量大、运行时间长、特征类型多等特点,提出一种基于特征加权的高斯加权K近邻-支持向量机(GWKNN-SVM)的组合故障诊断分类算法。首先通过对某化工厂三台水泵5个月份的运行采集数据进行特征提取和清洗,然后分别使用高斯加权K近邻算法(GWKNN)-支持向量机算法(SVM)对数据进行快速粗分类和边界数据细分类,以提高水泵故障分类精度和识别效率。最后通过仿真实例比较了相同条件下GWKNN-SVM算法和其他分类算法的故障分类效果。试验结果表明,该组合分类方法能够有效提高水泵工况的故障分类精度,从而实现工业环境下的水泵健康监测。

摘要： 针对传统培养质量评估方法过于依赖于专家系统,评估效率低、准确性不高的问题,提出一种特征加权的聚类算法(weighted fuzzy k-prototypes,WFKP)。在马氏距离中引入比例系数定义一种新的相异度,结合K近邻算法和簇内簇间离散度来计算数值属性的权值,利用互信息分析分类属性对聚类的依赖程度,提高聚类效率和准确性。通过UCI数据集验证了WFKP聚类算法的有效性和正确性,并应用到研究生培养质量评估中。实验结果表明,该算法可以挖掘提升培养质量的关键要素,避免评估过程的主观性。

摘要： 为提升基于TextRank算法的关键词抽取效果,分析中文语义结构和分词算法的特点,提出一种融合语义依存和外部知识库的方法。使用语义依存图代替共现窗口构建词图,增强词图中各节点间的语义联系;在此基础上引入规范化谷歌距离和领域词典这两个外部知识库特征,结合文档内外部信息对词图中的边进行加权计算,对提取出的文档关键词应用前后向匹配算法做进一步处理,使提取的关键词更具语义完整性。实验结果表明,该方法在数据集上的关键词抽取效果有了显著提升,可读性更强,验证了所提方法的有效性。

摘要： 大数据的类别不平衡与维度爆炸问题严重影响着算法的预测效率和分类精度。因此,提出了一种基于插值与特征压缩的大数据分类方法ASE-RFXT。改进ADASYN(adaptive synthetic sampling approach)的插值中心,减少了噪声的引入,改善了少数类样本的分布。改进ReliefF(特征权重法),并将它与集成算法XGDT(extreme gradient dart tree)结合对特征进行并行加权,减少了权重受异常值的影响,使得评估更加准确。利用特征之间的相关性过滤低权重冗余特征,以XGDT的分类精度为评价指标通过SFS(sequential forward selection)压缩特征。实验结果表明ASE-RFXT方法可以降低特征维度,节约训练时间,提高不平衡小样本数据的分类精度。

摘要： 针对物流新闻类别分布不均衡,分类器容易倾向大类别而忽略小类别的问题,提出基于加权补集的朴素贝叶斯分类模型。构建物流新闻语料库,结合卡方检验进行特征选择,基于局部、全局和类内、类间的思想,分析并改进传统特征加权算法,设计适用于类别分布不均衡物流新闻的加权补集朴素贝叶斯模型。实验结果表明,相较传统分类方法,加权补集朴素贝叶斯模型能有效解决物流新闻文本不均衡情况下的分类问题,快速准确地对物流新闻进行分类。

摘要： 当图像因相机快速运动造成模糊或者处在低纹理场景时,仅使用点特征的同步定位与地图构建(SLAM)算法难以跟踪提取足够多的特征点,导致定位精度和匹配鲁棒性较差。而如果造成误匹配,甚至系统都无法工作。针对上述问题,提出了一种基于点线特征融合的低纹理单目SLAM算法。首先,加入了线特征来加强系统稳定性,并解决了点特征算法在低纹理场景中提取不足的问题;然后,对点、线特征提取数量的选择引入了加权的思想,根据场景的丰富程度,对点线特征的权重进行了合理分配。所提算法是在低纹理场景下运行的,因而设置以线特征为主、点特征为辅。在TUM室内数据集上的实验结果表明,与现有的点线特征算法相比,所提算法有效地提高了线特征的匹配精度,使得轨迹误差减小了大约9个百分点,也使得特征提取时间减少了30个百分点,使加入的线特征在低纹理场景中发挥出积极有效的作用,提高了数据整体的准确度和可信度。

摘要： 提出了一种特征加权的人脸识别算法,首先采用小波变换把人脸图像分解成高低频分量,然后对各分量进行主成分分析(PCA)提取特征图像,再根据各分量的重要性使用AHP算法进行加权,最后采用支持向量机(SVM)进行分类识别.该算法差别化地考虑了人脸高低频分量,在经典人脸库上进行实验验证,识别率可达到93％,有效地提高了人脸识别能力.

摘要： 提出一种基于Relief-F特征加权支持向量机的语义图像分类方法。首先，通过Relief-F算法计算训练数据集中图像的特征权重;然后，利用具有不同权重的特征向量来计算核函数并且训练支持向量机;最后，用经过训练的支持向量机对测试数据集中的图像进行自动分类。实验结果表明，基于Relief-F特征加权支持向量机的语义图像分类方法在分类准确率和训练时间耗费上均优于传统的支持向量机方法。

摘要： 聚类是一种有效的数据分析方法，在数据挖掘和模式识别领域有很广泛的应用。样本中不同的特征变量所包含的信息不同，在所研究的问题中表现出的区分能力也不同。为体现不同特征在所研究的问题中的不同重要程度，本文对特征加权进行研究，并将其和聚类过程相结合，提出了一种基于近邻传播(简称AP)的特征加权聚类方法。该方法根据AP初始聚类的结果，以每类的中心为圆点，以距离为半径选取位于圆中的样本作为训练集，采用特征分析方法对数据空间的特征的重要性进行度量，计算特征的权重，利用加权后的特征更新AP的相似矩阵，重新聚类得到一个新的聚类结果。距离半径是一个影响该方法性能的重要参数。本文采用所有聚在同一类的任意两个样本的加权距离和进行评价,以选取合适的半径。对公共数据集的测试结果显示了该方法的优越性。

摘要： 文本聚类是利用聚类技术对大量的文本数据进行分析,把内容相似的文本放在同一个集合.针对基于k-means特征加权算法用于文本子空间聚类的性能进行了一系列的实验研究与分析,并验证得出该算法具有可伸缩性与快速收敛性.文本子空间聚类算法的提出是针对文本数据的两大特点:高维与稀疏性.该算法基于传统的k-means聚类方法,将特征加权加入到k-means迭代的过程中.在聚类文本的同时,对文本集所包含的单词(特征)也进行聚类.特征加权对每一类的所有单词进行评估,并为每个单词赋予权重.这些权重值可用来从文本向量空间中鉴别出文本类别,并且为每一类别提取出相关联的可表达语义的重要特征单词.通过一系列的实际数据实验,得出以下结论:该算法聚类精度高;随着文档数目、单词数目和类别数目的变化,该算法的时间复杂度呈线性变化;同时该算法能快速收敛。

摘要： 针对Android手机平台提出了基于特征加权K最近邻支持向量机(FWKN-SVM)的异常入侵检测方法.首先,分析了传统SVM在实际应用中的局限性,提出了一种基于特征类内类间距离的特征加权K最近邻的训练集约减策略.随后,根据手机恶意软件对系统造成的影响定义了系统行为,并通过在Android手机上编写的数据采集模块构建测试集和训练集.最后,利用特征加权K最近邻方法进行SVM训练集的精简和分类器的构建,并进行测试集预测.仿真结果表明,FWKN-SVM分类方法在Android异常入侵检测中应用效果良好.

摘要： 针对RCR算法难以建立高精度的非线性预测模型的问题,提出了一种基于特征加权的径基函数-鲁棒连续回归(Feature Weighted RBF-RCR,FWRBF-RCR)预测建模方法.该方法首先从特征重要程度的角度出发,采用Bootstrap特征加权方法构造特征加权径基函数.其次,应用特征加权径基函数将非线性样本数据映射到高维特征空间中,然后在高维特征空间中建立RCR线性回归模型.最后,将所提出的新算法应用于导弹动力系统推力预测模型中,实验结果表明,与RCR和RBF-RCR算法相比,该算法具有较高的预测精度.

摘要： 粗糙集理论是一种处理不确定和不完全信息问题的强有力工具。本文探讨了利用变精度粗糙集模型来确定卫星故障特征参数权值的方法，由概念正域中对象类的条件属性的描述，得到该概念的充分条件，并依据知识间的依赖性作为所要考虑的因素来获取特征权值，提出一种基于变精度粗集特征加权的卫星故障诊断方法。同时，给出了相应的卫星故障诊断应用实例，验证了该方法的有效性和可行性。

摘要： 本文提出了一种新的基于加权主分量分析的人脸识别算法.该算法利用加权主分量分析的原理,将特征加权和主分量分析相结合,构造了一个新的双中心的高斯分布函数作为加权函数对人脸各维特征进行加权,从而利用主分量分析的方法进行人脸识别.理论分析与实验证明该方法与已有的单中心羽化函数加权的WPCA算法相比,具有更高的识别率.

摘要： 本文将加权模糊核聚类方法(WFKC)引入到电力变压器故障诊断中。该方法首先考虑到样本中不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对样本特征进行加权,然后将样本从输入空间映射到高维特征空间,在特征空间实现加权模糊核聚类。最后通过电力变压器故障诊断实例证明该方法的可行性和有效性。

摘要： 本文将加权模糊核聚类方法(WFKC)引入到电力变压器故障诊断中。该方法首先考虑到样本中不同特征对聚类结果的不同影响,利用基于样本相似度的加权方法对样本特征进行加权,然后将样本从输入空间映射到高维特征空间,在特征空间实现加权模糊核聚类。最后通过电力变压器故障诊断实例证明该方法的可行性和有效性。

摘要： 本发明属于图像重建领域，特别是涉及一种基于特征通道自适应加权的超分辨图像重建方法。一种基于特征通道自适应加权的超分辨图像重建方法，包括以下步骤：(1)改进压缩激励网络SE的激励函数，得到ISE模块；(2)简化现有的EDSR网络；(3)将ISE模型嵌入到简化的EDSR网络，得到ISE‑EDSR模型；(4)用训练样本训练ISE‑EDSR模型。本发明的优点有：训练难度低；自适应学习特征通道权重；避免网络中间层输出值过低的问题；超分辨率重建后的图像峰值信噪比高。

摘要： 一种T2加权影像特征生成动态增强影像特征的方法，包括：采集乳腺癌T2加权影像；对采集得到的T2加权影像进行乳房分割处理，得到乳房影像；对乳房影像利用训练好的卷积神经网络提取T2加权影像特征；基于T2加权影像特征，利用训练好的深度生成对抗网络，生成动态增强影像特征；基于新生成的动态增强影像特征进行乳腺癌病理信息分类，病理信息分类包含：良恶性分类、分子分型分类等。相对于传统的直接基于T2加权影像特征的病理信息分类方法，本发明生成的动态增强影像特征具有更高的灵敏度，相对于基于动态增强影像特征的病理信息分类方法，本发明成像成本低，扫描时间快，是一种更加低廉快捷的诊断方法。

摘要： 本发明涉及一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，采集不用型号雷达设备发射的信号数据，对原始数据进行信号数据预处理、归一化处理，构建基于自加权结构化特征选择的雷达辐射源信号精细化特征识别模型，使用辐射源信号数据在上述模型上进行运行测试，对得到的识别结果进行输出，从而得到识别的雷达辐射源信号的类型。采用机器学习中的无监督特征选择为基础进行识别，避免了深度学习中神经网络的构建和数据训练过程。极大降低了模型中的超参的数目，避免了超参的调整，使得模型在实际情况下易于实现。

摘要： 本发明公开了一种基于深度特征与结构加权LBP特征的图像质量评价方法，具体为：将原始图像和失真图像转变为YCrCb颜色空间；提取梯度特征，并将YCrCb空间的图像反变换，得到增强图像；将增强图像作为预训练的VGG16深度模型的输入，计算图像相似度，得到相似性深度图；提取频域相位特征，并与失真图像的梯度特征进行融合，得到结构图，然后提取LBP特征，得到基于结构加权的LBP特征；分别提取每个相似性深度图的均值，提取颜色相似性特征的均值、标准偏差、熵，并与50维的基于结构加权的LBP特征进行多特征融合，生成373维特征向量；将373维特征向量以及平均主观分数MOS值采用随机森林RF策略训练IQA模型，训练好的模型对彩色失真图像质量的准确预测和评估。

摘要： 本发明提供一种基于加权多特征融合和SVM分类的故障特征筛选方法，步骤如下：一：获取时序数据

摘要： 本发明公开了一种基于加权深度特征的图像特征提取方法，所述方法包括以下步骤：选取现有的网络模型在图像数据集上进行预训练，然后去除网络模型中的网络预测层得到最终网络模型；将待提取图像输入至最终网络模型中进行前向计算，提取最终网络模型中所有池化层前面的卷积层作为图像的深度特征图；对每个卷积层计算特征聚合向量，并将每个特征聚合向量进行开方、零均值归一化处理后得到深度特征向量；对所有深度特征向量进行降维，并对降维后的深度特征向量分配对应的权重参数作为每个卷积层的指标；将带有权重参数的深度特征向量进行融合，得到深度图像特征。本发明通用性强，获取的特征鲁棒性好、表达能力强、语义信息丰富、计算简便。

摘要： 本发明涉及一种基于属性特征和加权的分块特征相融合的行人再识别方法，包括以下步骤：构造属性特征提取子网络，该子网络融合了手动提取的特征和深度神经网络提取的特征；采用设置加权的交叉熵损失函数来训练属性特征提取子网络；构造基于分块的特征提取子网络，该网络可融合多个分块的深度特征；训练基于分块的特征提取子网络，设置局部损失函数的加权融合层，自主学习不同的权重，进而赋予各局部损失函数；对整体网络进行训练，提取融合了属性特征和基于分块的深度特征的行人特征表示。本发明设计合理，其有效结合了属性特征和深度特征，在损失函数计算方法上进行优化，获得了很好的行人再识别结果，使得系统整体匹配准确率大大提升。

摘要： 本发明公开了一种基于特征加权和特征相关性融合的目标检测方法，该方法包括：从特征金字塔网络中较高层的感受野的特征中提取融合权重；将融合权重作用于高层感受野特征后再与低层感受野特征融合；计算特征金字塔网络中前三层特征图的特征相关性；将特征金字塔网络中相邻特征层中较高层感受野特征的相关性与较低层感受野特征的相关性进行进一步融合；将融合得到的相关性作用于特征金子塔网络中相应层级的特征图，以由改进后的特征金子塔网络进行目标检测。通过本发明可以提高特征金字塔网络对不同尺度的物体的检测和识别精度。

摘要： 本申请提供一种基于正交回归和特征加权的有监督特征选择方法，该方法通过加入特征加权参数来表达每个特征的重要性，提供了特征选择的有效指标信息，以挑选出最优特征子集。该方法包括：根据获得的特征矩阵和与特征矩阵对应的标签数据构建第一算法模型；对第一算法模型求偏差向量的偏导，获得偏差向量；将偏差向量代入第一算法模型计算，获得第二算法模型；交替固定正交回归矩阵以及固定权重对角矩阵，对第二算法模型进行迭代运算，确定迭代运算后的第二算法模型；根据迭代运算后的第二算法模型的权重对角矩阵确定冗余特征；根据冗余特征从特征矩阵中选择出有效的特征数据。

摘要： 本发明涉及机器人视觉触觉融合技术领域，具体涉及到一种自适应特征加权的视触融合物体分类方法。本发明采用轻量化的网络模型分别提取每个物体的视觉特征和触觉特征，然后将特征提取后的视觉特征向量和触觉特征向量利用通道注意力模块来实现特征的自适应加权融合，减少了特征信息的冗余，大大提高了物体分类的效率，该方法不仅可以有效的利用物体的视觉特征和触觉特征，而且可以在网络参数量较少的情况下实现对物体的精准分类，与其他方法相比，该方法可以有效降低对显存的需求，提升了分类速度，节约了成本。